Regression mit Python und scikit-learn
Kontinuierliche Zielgrößen modellieren und Vorhersagen fundiert bewerten
01 Intro
Regressionsverfahren werden eingesetzt, wenn numerische Größen vorhergesagt
oder Zusammenhänge zwischen Variablen quantitativ beschrieben werden sollen.
Von einfachen linearen Modellen bis zu regularisierten und nichtlinearen
Verfahren stehen unterschiedliche Ansätze zur Verfügung.
Der Kurs behandelt Regression als vollständige Modellierungsaufgabe:
Problemformulierung, Datenvorbereitung, Modellbildung, Diagnose, Bewertung
und Verbesserung. Python und scikit-learn dienen dabei als praktische
Werkzeuge.
Kurs-ID
ML-002
Dauer
2 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Python-Grundkenntnisse und grundlegendes Verständnis von Machine Learning
02 Trainingsprogramm
Inhalte
Regressionsprobleme verstehen
- kontinuierliche Zielgrößen
- Regression versus Klassifikation
- Zusammenhang und Vorhersage
- Features und Target
- typische Anwendungsfälle
Lineare Regression
- lineares Modell
- Koeffizienten
- Intercept
- Modellanpassung
- Vorhersage
- Interpretation
Voraussetzungen und Grenzen linearer Modelle
- Linearität
- Residuen
- Varianz
- Multikollinearität
- Ausreißer
- Modellannahmen
Multiple Regression
- mehrere Features
- Einfluss einzelner Merkmale
- kategoriale Variablen
- Interaktionen
- Skalierung
- Interpretation komplexerer Modelle
Nichtlineare Zusammenhänge
- Transformationen
- Polynomial Features
- nichtlineare Effekte
- Modellkomplexität
- Grenzen polynomialer Modelle
Regularisierung
- Overfitting
- Ridge
- Lasso
- Elastic Net
- Regularisierungsparameter
- Feature-Selektion durch Regularisierung
Datenvorbereitung
- fehlende Werte
- Skalierung
- kategoriale Features
- Transformationen
- Ausreißer
- Datenleckage vermeiden
Regressionsmodelle mit scikit-learn
- Estimator API
- Training
- Prediction
- Parameter
- Preprocessing
- reproduzierbare Modellierung
Regressionsmetriken
- MAE
- MSE
- RMSE
- R²
- relative Fehler
- fachliche Interpretation
Residuen und Fehleranalyse
- Residuenplots
- systematische Fehler
- Heteroskedastizität
- problematische Beobachtungen
- Modellschwächen erkennen
Validierung und Modellvergleich
- Train-Test-Split
- Cross Validation
- Baselines
- Modelle vergleichen
- Hyperparameter
- Generalisierung
Praktisches Regressionsprojekt
- Problem formulieren
- Daten vorbereiten
- Modelle entwickeln
- Varianten vergleichen
- Fehler analysieren
- Ergebnisse interpretieren
03 Durchführung
Rahmen und Organisation
Dauer
2 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und scikit-learn
Inhouse-Schulungen
Eigene Datenbestände und Vorhersageaufgaben können in die Übungen
einbezogen werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Data Analysts, Entwickler und angehende Data Scientists, die
Regressionsmodelle mit Python entwickeln und fundiert beurteilen möchten.
Voraussetzungen
Grundkenntnisse in Python, Pandas und den Grundlagen des Machine Learning.
05 Lernziele
Was Sie nach dem Kurs können
Die Teilnehmer können Regressionsprobleme formulieren, lineare und
regularisierte Modelle entwickeln, geeignete Metriken auswählen und
Modellfehler systematisch untersuchen.
06 FAQ
Häufige Fragen
Geht es nur um lineare Regression?
Nein. Lineare Regression bildet den Ausgangspunkt; Regularisierung und nichtlineare Erweiterungen werden ebenfalls behandelt.
Werden Baumverfahren verwendet?
Sie können zum Vergleich herangezogen werden. Ihr Schwerpunkt liegt jedoch im Kurs zu Entscheidungsbäumen und Ensemble-Verfahren.
Wie viel Statistik wird benötigt?
Die für Modellverständnis und Diagnose erforderlichen statistischen Grundlagen werden im Kurs behandelt.